İşimizi Yapay Zeka ile Otomatikleştirmenin Mantalitesi; “Rol” Yerine, İş Akışı

Sektörde öyle alıştığımız, bize o kadar normal gelen bir hata var ki... Çoğu işletme sistemi ta en başından yanlış kuruyor ve sırf organizasyon şemasındaki o klasik “rol”leri doldurmak için insan işe alıyor.

Klasik süreç şöyledir: “Pazarlama Müdürü” aranıyor diye bir ilana çıkılır. Bir sürü adayla mülakatlar yapılır. Sonunda biri işe alınır, eline bir laptop tutuşturulur ve sırf organizasyon şemasındaki o malum kutucuğu doldursun diye kendisine her ay düzenli bir maaş bağlanır.

Ama aslında bir “Pazarlama Müdürü”ne ihtiyacımız yok. Kusursuzca yürütülen on spesifik iş akışına ihtiyacımız var.

Reklam metinlerinin taslağının çıkarılmasına, müşteri verilerinin çekilmesine, bütçelerin takip edilmesine ve müşteri raporlarının formatlanmasına ihtiyacımız var.

Eskiden bu iş akışlarını halletmenin tek yolu, hepsini bir araya paketleyip bir insana atamaktı.

Bence artık o devrin kapandığını kabul etmemiz lazım.

Yapay zeka çağında, iş akışlarını otomatize etmek yerine hala belirli “roller” için insanları işe alıyorsak, çok da mantıklı bir iş yapmıyoruz bence.

Temel bakış açımızın değişmesi gerekiyor.

Nasıl?

İş akışları üzerinden düşünmek lazım.

Büyük ya da karmaşık bir işi alıp, onu küçücük, basit parçalara bölüp, sonra da bu küçük adımları nasıl yapay zekaya işletip, otomatize edebiliriz diye düşünmemiz lazım.

Ne kadar karmaşık olursa olsun, bir işi en temel yapı taşlarına kadar parçaladığında, bir makinenin işin çoğunu yapabildiğimizi fark ediyoruz.

İsterseniz kendi işinizde de bunu deneyin, göreceksiniz.

---

Chatbot Tuzağı

Her yerde yapay zeka otomasyonları, akışlar, kurgular uçuşuyor. Ve çoğu girişimci bu vaadi denemek için birkaç prompt yazıyor, karşılığında mucize bekliyor ama işe yaramaz, genel-geçer çıktılar alınca, olmadı deyip bırakıyor.

Eğer ciddi bir avantaj sağlamak istiyorsak, yapay zekaya basit bir cevap aracı gibi davranmamak lazım. Ona eğitimdeki bir çalışan gibi yaklaş gerek.

“Şu e-postayı biraz daha güzel yap” gibi muğlak, hislere dayalı talimatlar verdiğinde yapay zeka pek işe yaramaz. Adım adım kurallarla “güzel”in neye benzediğini tanımlamak, spesifik yazı örnekleri sunmak ve net sınırlar çizmek gerekiyor.

İnsan bir çalışanın, 100 kez geri bildirim alarak karmaşık bir iş sürecini öğrenmesi bir yıl sürebilir. Bir yapay zeka ajanı ise bu 100 geri bildirim döngüsünü 100 dakikada tamamlar.

Ama bu, sadece yapay zekanın öğrendiklerini gerçekten hatırlaması durumunda işe yarıyor. Standart web arayüzleri (klasik ChatGPT penceresi gibi) ciddi bir amnezi (hafıza kaybı) sorunu yaşıyor aslında.

Yeni bir sohbet açtığında, ya her şeyi unutur ya da saçma sapan konuları hatırlar.

---

İşletim Sistemini Kurmak

Yapay zekayı tarayıcının dışına çıkarıp, onu rutin iş akışlarının %90’ına kadarını otomatize edebilen bir işletim sistemine dönüştürdüğümüzde gerçek bir rekabet avantajı kazanma fırsatımız var.

Konu, daha iyi prompt yazmakta değil; bağımsız çalışabilen bir sistem kurmakta.

Bilgisayarındaki bir klasörü, yapay zekana “uzun süreli hafıza” ve uzmanlaşmış araçlar sağlayan özel bir çalışma alanı olarak görmeye başlamamız lazım.

Bu işletim sistemini kurmak için bilgisayarının kontrolünü gerçekten eline alabilen yazılımlara ihtiyacımız var; Claude Code, Claude Cowork, Google Anti-gravity ve Computer Use gibi araçlardan bahsediyoruz.

Bunlar sadece akıllı cevaplar verebilen chatbot değil, gidip senin yerine bilgisayarını kullanabilecek yetenekler. Fareyi hareket ettirebilir, klasörler oluşturabilir, dosyalar ekleyebilir ve senin adına sistemler kurabilirler.

Biraz da “nasıl”ına bakalım;

1. Gelişen Bir Beyin Tasarlamak

Mantık: Bu araçların bilgi çekebileceği merkezi, sürekli gelişen bir “beyne” ihtiyacın var. Üst düzey çıktılar elde etmek için bilgileri anlamlı katmanlar halinde düzenlemen gerekir; böylece yapay zeka, sen daha tek bir soru sormadan sağlam bir bilgi temeli üzerinde durur.

Uygulama: Bilgisayarında özel bir klasör yapısı (Bir Çalışma Alanı) oluşturursun.

• claude.md: “Ana Oryantasyon” dosyası. Yapay zeka, senin tam olarak kim olduğunu öğrenmek için uyandığı saniye bunu okur.

• context/: İş hedeflerin ve hedef kitlen hakkında temel belgeleri içeren klasörler.

• commands/: Belirli görevler için adım adım kural kitapçığı görevi gören, yeniden kullanılabilir metin dosyaları.

• skills/: Yapay zekaya PowerPoint slaytları oluşturmak gibi yeni yetenekler kazandıran eklentiler.

• scripts/: Yapay zekanın internetten gerçek zamanlı veri çekmek için kendi yazdığı kodlar.

Katalizör: Çalışmaya başladığın saniye, tüm bu bilgi yığınını yapay zekanın aktif belleğine yüklemek için bir /prime komutu çalıştırırsın. Girişimcilerin yaptığı en kritik konu bu adımı atlamaktır. Yapay zekaya en başta bağlam (context) vermemek, sıradan ve markana uymayan çıktılar almaya neden oluyor. Önce iş kurallarımızı onun beynine yüklememiz lazım.

Bu arada bu bilgileri düzenli bir şekilde kurmak da zahmetli bir iş ama neyseki Andrej Karpaty gibi adamlar var ki, “Dosyaları yığarak, içinden otomatik anlam çıkarma” işini ya da beyni kurmayı LLM’e otomatik yaptırabilir süreçler tasarlayabiliyoruz. Github’daki rehberi şurada. Alttaki videoda adım adım bu sistemi nasıl kuracağınız gösterilmiş.

2. Aksiyon Alma Düzeni Kurmak

Mantık: Yapay zekaya “X’i yap” diyemeyiz. Çoğu zaman yazdığımız cümle çok genel kalır. Mümkün olduğunca daraltıp, tüm detaylarıyla ne istediğimizi adım adım yazmamız lazım.

Sistemin sorunu araştırdığı, bir çözüm önerdiği ve ardından bunu uyguladığı yapılandırılmış bir döngüye ihtiyacımız var.

Yapay zeka iş akışlarına geçerken, kurucuların çoğu işi hâlâ manuel yapmaya çalıştığı için süreçler tıkanıyor. Dosyaları tek tek taşımaya ya da kodu baştan sona kendin yazmaya çalışmak, bu yaklaşımın doğasına ters. Çalışma alanını mümkün olduğunca yapay zekanın yönetmesine izin vermek gerekiyor.

Uygulama: Önce yapay zekadan bir plan oluşturmasını istemek iyi bir başlangıç oluyor (/create plan). Bu aşamada yapay zeka araştırma yapıyor ve detaylı bir kontrol listesi çıkarıyor. Ardından bu planı hayata geçirmesini istemek gerekiyor (/implement). Böylece kodu yazıyor, verileri topluyor ve dosyaları güncelliyor.

Sık yapılan hatalardan biri de yapay zekanın kod çalıştırmasını kısıtlamak oluyor. Kendi script’lerini yazıp çalıştırmasına izin verilmediğinde, webden gerçek zamanlı veri çekemiyor ve potansiyeli gereksiz yere sınırlandırılmış oluyor.

Profesyonel iş akışlarında, deneyimli kullanıcılar yapay zekayı daha akıcı çalıştırmak için “YOLO modu” benzeri bir yaklaşım kurguluyor. Bunun için hızlı bir klavye kısayolu tanımlamak ve süreci mümkün olduğunca kesintisiz hale getirmek gerekiyor. Cursor, Claude Code veya GitHub Copilot CLI gibi araçlarda bu mantıkla ilerlemek mümkün.

Bu yaklaşımda amaç, her adımda insan onayına takılmadan ilerleyebilen bir akış kurmak oluyor. Böylece yapay zeka, görevleri otonom şekilde sürdürebiliyor ve süreç bölünmeden devam ediyor.

Pratikte bu, yapay zekaya sürekli izin vermek yerine baştan bir güven çerçevesi tanımlamak anlamına geliyor. Dosyaları düzenlemesi, kodu güncellemesi ve gerekli aksiyonları alması için önceden yetki vermek gerekiyor. Bu sayede her birkaç saniyede bir onay bekleyen bir sistem yerine, yüksek hızda ilerleyen bir yapı kurulabiliyor.

⚠️ Otonomi üzerine dikkat edilmesi gereken kritik bir nokta var: kontrolsüz erişim. “YOLO modu” benzeri bir yaklaşım uygulanırken, yapay zekaya sınır koymadan dosyalara ve sistem komutlarına erişim vermek ciddi riskler yaratabiliyor. Bu tür bir kurulum, farkında olmadan kendi sistemine açık kapı bırakmak anlamına geliyor.

2026 başlarında yaşanan OpenClaw incident bunun net bir örneğini gösteriyor. Yerel dosyalara ve sistem komutlarına geniş yetkilerle erişebilen açık kaynaklı bir yapay zeka ajanı, dışarıdan manipüle edilebilir hale geldi.

Bu olayda saldırganlar, e-postalara ve destek taleplerine kötü niyetli talimatlar gizledi. Yapay zeka bu içerikleri işlerken, metni sadece analiz etmek yerine içindeki komutları da çalıştırdı. Sonuç olarak makineler ele geçirildi, hassas veriler sızdırıldı ve sistemler zarar gördü.

Buradan çıkarılması gereken şey şu: otonomi ile kontrol birlikte tasarlanmalı. Yapay zekaya hız kazandırmak için geniş yetkiler vermek gerekiyor ama bu yetkileri sınırlandıran net çerçeveler olmadan kurulan sistemler, hızdan çok zarar getiriyor.

Yedekleme Kuralı: Yedekleme tarafında net bir kural koymak gerekiyor: denetimsiz otonomi, sistemi kırılgan hale getirir. Yapay zeka ajanlarının dosyalar üzerinde değişiklik yapmasına izin veriliyorsa, bu süreci mutlaka bir versiyon kontrol yapısıyla güvence altına almak gerekiyor.

Bunun için GitHub, Google Drive veya Dropbox gibi araçlarla dosyaların geçmiş versiyonlarını düzenli olarak saklamak kritik hale geliyor. Amaç sadece yedek almak değil, her değişikliğin izini sürebilmek ve gerektiğinde geri dönebilecek bir yapı kurmak.

Pratikte hedef şu olmalı: bir ajan hata yaptığında ya da beklenmeyen bir işlem gerçekleştirdiğinde, tüm çalışma alanını tek hamlede önceki stabil versiyona geri alabilmek. Bu refleks kurulmadığında, küçük bir hata bile saatlerce, hatta günlerce kayba dönüşebiliyor.

3. Orkestrasyon Katmanı (Paylaşılan Bağlam)

Mantık: Otomasyonlar tek bir kişinin dizüstü bilgisayarına sıkıştığında ölçeklenemez hale geliyor. Bunun yerine, yapay zeka ajanlarıyla insanların birlikte çalışabildiği paylaşımlı bir dijital çalışma alanı kurmak gerekiyor.

Bu yaklaşımda amaç, işi bireysel üretimden çıkarıp ortak bir sisteme taşımak oluyor. Uzmanlaşmış yapay zeka ajanları belirli görevleri üstlenirken, insan ekipler de aynı yapı içinde yönlendirme, karar alma ve iyileştirme tarafında konumlanıyor.

Uygulama: Claude Cowork gibi araçların arkasındaki mantık tam olarak buna dayanıyor. İnsanların ve yapay zeka ajanlarının aynı belgeler, projeler ve süreçler üzerinde eş zamanlı çalışabildiği çok oyunculu bir çalışma alanı kurmak gerekiyor. Böylece bilgi parçalanmıyor, işler hızlanıyor ve herkes aynı bağlam içinde ilerliyor.

---

Gerçek Dünyadan Kaldıraç Etkisi

Rolleri net iş akışlarına bölüp her parçayı otomatize ettiğinde, çıktı doğrusal değil katlanarak büyümeye başlıyor. Çünkü artık tek tek işler yapan bir yapıdan, paralel çalışan sistemlere geçilmiş oluyor. Bugün sistemlerin istihdamın yerini almaya başladığı pratik senaryolar tam olarak burada ortaya çıkıyor:

• Kişisel markalaşma: Claude Code ve Google Anti-gravity gibi araçlarla tüm LinkedIn stratejisini otomatize etmek mümkün hale geliyor. Sistem trend konuları belirliyor, indirilebilir içerikler üretiyor, notlarını organize ediyor ve senin tonunda gönderi taslakları hazırlıyor. Böylece yapay zeka sadece yazan bir araç olmaktan çıkıp; pazar analizi, içerik üretimi ve dağıtımı yöneten bir ortağa dönüşüyor.

• Rakip analizi: Tek bir komutla bir araştırma süreci başlatmak mümkün. Yapay zeka web’e bağlanıp veri topluyor, analiz ediyor, özet bir rapor oluşturuyor ve bunu doğrudan sunum formatına dönüştürüyor. Toplantıya girmeden önce tüm hazırlık tamamlanmış oluyor.

• Potansiyel müşteri (lead) yaratma: Bir ajan hedef kitleyi bulmak için web scraping yaparken, alt ajanlar şirketleri analiz ediyor ve bir diğer ajan marka kurallarına uygun, yüksek derecede kişiselleştirilmiş soğuk e-postalar hazırlıyor. Süreç uçtan uca otomatik ilerliyor.

• Satış mühendisliği: Yapay zekayı toplantı kayıt sistemine bağlamak gerekiyor. Görüşme biter bitmez, konuşma dökümünü analiz ediyor, müşterinin problemlerini çıkarıyor ve otomatik olarak ona özel bir teklif metni oluşturuyor.

• Finans ve mutabakat: Bir ajan finansal verileri çekiyor, işlem kayıtlarını eşleştiriyor, anormallikleri işaretliyor ve eksik ödemeler için takip mesajlarını hazırlıyor. Normalde günler süren işler dakikalara iniyor.

• Müşteri başarısı (customer success): Yapay zeka, ürün kullanımını sürekli izliyor. Kritik bir müşteri aktifliğini kaybettiğinde, geçmiş etkileşimlere referans veren bir e-posta taslağı oluşturup ekip onayına sunuyor. Böylece riskler erken yakalanıyor.

• İşe alım ve yetenek filtreleme: Yüzlerce CV’yi kısa sürede analiz eden bir ajan, adayları gereksinimlere göre sıralıyor ve en iyi adaylar için kişiselleştirilmiş mülakat davetleri hazırlıyor. Haftalar süren eleme süreci saatlere düşüyor.

Nereye Doğru Gidiyoruz?

Tüm bu kendi kendine bizim adına çalışan sistemler önce “skills” yani başkasının yazdığı iş yapış şekilleri text dosyasını, sistemimizin yetenek olarak kullanması hayatımıza girdi.

Bir adım sonra da “Başkasının Asistanını Kendi Sistemine Tak” ekonomisi başlayacak bence

Bu yeni düzende, kendi yapay zeka sistemleriyle çalışan bireysel operatörlerin, geleneksel bir departmanın yaptığı işi tek başına üstlenmesi mümkün hale geliyor. Doğal olarak, değer yaratabilen bu yeni profilin ödülü de katlanara büyüyecek diyebiliriz.

Buradaki temel kırılım şu: dijital zekanın ve tekrarlayan emeğin maliyeti sıfıra yaklaşırken, bireysel değerin tanımı değişiyor.

Yapay zeka dijital iş akışlarını daha hızlı ve daha düşük maliyetle yürütebildiğinde, insanların karşılığını aldığı şey “çalışmak” değil, doğru yerde risk almak oluyor.

Bu dönüşüm sırasında daha stabil alanlara yönelmek isteyenler için ortak bir tema öne çıkıyor: fiziksel insan deneyimi.

Çünkü hâlâ biyolojik bedenlerle yaşıyoruz.

• Sağlık ve zindelik değerini koruyor

• Otomasyonun yarattığı boş zaman arttıkça eğlenceye olan talep büyüyor

• Ve yemek, barınma, fiziksel güvenlik gibi temel ihtiyaçlar her zaman sabit kalıyor

---

Ne Yapmalı?

İş yapış şekilleri kökten değişiyor ve daha da hızlanarak değişmeye devam edecek.

Bu sadece yeni bir araç öğrenme süreci değil; “çok çalışmak = değer yaratmak” denkleminin geçerliliğini kaybettiği bir dönemde, oyunu yeniden nasıl kurabiliriz meselesi.

Geride kalmamak için süreci bugünden başlatmak gerekiyor:

• Gününü denetlemek gerekiyor: “İşi yönetiyorum” hissinden çıkıp, yapılan her işi en küçük adımlarına kadar parçalamak gerekiyor. Çünkü otomasyon ancak net tanımlanmış adımlarla mümkün oluyor.

• Çalışma alanını kurmak gerekiyor: Dijital klasör yapısını oluşturmak ve yapay zekanın seni anlayabilmesi için bir kural kitabı (örneğin bir “claude.md”) yazmak kritik hale geliyor.

• Bir şeyi otomatize etmek gerekiyor: Küçük bir iş akışı seçip başlamak yeterli oluyor. Yapay zekadan bir plan oluşturmasını istemek, ardından bu planı uygulamasını sağlamak ve sistemi kurmasına izin vermek gerekiyor.

• Gerçeği kabul etmek gerekiyor: Tekrarlayan, mekanik işler için insan gücüne bağımlı kalmak yerine sistem kurmaya odaklanmak gerekiyor.

Sonuçta şu çok net: daha iyi sistem kuran, daha iyi sonuç alıyor. Üstün teknolojiyle çalışan biri, zayıf araçlarla çalışan birine karşı her zaman avantaj sağlar.

Şu soruyla bitirelim: Bu hafta sonunu, günlük işlerinden sadece bir tanesini güvenli ve otonom bir yapay zeka iş akışına dönüştürmeye ayırsan, Pazartesi günkü yapılacaklar listesinin ne kadarı ortadan kalkar?